Oncolytic viruses for cancer immunotherapy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this review, we discuss the use of oncolytic viruses in cancer immunotherapy treatments in general, with a particular focus on adenoviruses. These serve as a model to elucidate how versatile viruses are, and how they can be used to complement other cancer therapies to gain optimal patient benefits. Historical reports from over a hundred years suggest treatment efficacy and safety with adenovirus and other oncolytic viruses. This is confirmed in more contemporary patient series and multiple clinical trials. Yet, while the first viruses have already been granted approval from several regulatory authorities, room for improvement remains.As good safety and tolerability have been seen, the oncolytic virus field has now moved on to increase efficacy in a wide array of approaches. Adding different immunomodulatory transgenes to the viruses is one strategy gaining momentum. Immunostimulatory molecules can thus be produced at the tumor with reduced systemic side effects. On the other hand, preclinical work suggests additive or synergistic effects with conventional treatments such as radiotherapy and chemotherapy. In addition, the newly introduced checkpoint inhibitors and other immunomodulatory drugs could make perfect companions to oncolytic viruses. Especially tumors that seem not to be recognized by the immune system can be made immunogenic by oncolytic viruses. Logically, the combination with checkpoint inhibitors is being evaluated in ongoing trials. Another promising avenue is modulating the tumor microenvironment with oncolytic viruses to allow T cell therapies to work in solid tumors.Oncolytic viruses could be the next remarkable wave in cancer immunotherapy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle